Google Cloud Lanza Agent Compute Engine para Agentes de IA Escalables

El 22 de octubre de 2026, Google Cloud presentó su nuevo Agent Compute Engine en los eventos AGNTCon + MCPCon. Este servicio de computación está específicamente diseñado para operar agentes de IA a gran escala, utilizando microVMs aisladas por hardware para mejorar la seguridad y la eficiencia.

El Agent Compute Engine permite el despliegue rápido de agentes de IA, lo que les permite comenzar rápidamente, pausar y reanudar operaciones según sea necesario. Una característica clave es el uso compartido de memoria con copia en escritura, que permite a múltiples agentes compartir memoria hasta que se realicen cambios, aumentando significativamente la densidad de agentes que se pueden ejecutar en el mismo hardware.

Google enfatiza la importancia de la seguridad en esta nueva infraestructura, aprovechando su tecnología Titanium IPU para protegerse contra amenazas potenciales. El servicio es parte de la plataforma más amplia Gemini Enterprise Agent, que se centra en la seguridad y la gobernanza de los agentes de IA.

Actualmente, el Agent Compute Engine ya se utiliza internamente para los agentes Gemini de Google, y se espera que una fase de vista previa para clientes externos comience pronto. Este desarrollo tiene como objetivo abordar los desafíos de escalabilidad y contención que surgen de la naturaleza dinámica de los agentes de IA.

Nuevos Desarrollos en la Detección de Texto por IA

• Colaboración en Investigación: Google DeepMind y la Universidad de Pensilvania han desarrollado un nuevo método para la detección de texto por IA que mejora la transparencia.
• Detalles de Publicación: El artículo de investigación titulado "Construyendo Detectores de Texto por IA Auditables con Autoencoders Escasos" fue enviado el 21 de octubre de 2026 y aceptado en EMNLP 2026.
• Métricas de Rendimiento: El clasificador interpretable logró una puntuación F1 de 96.8 en datos de dominio, en comparación con la puntuación de 98.0 del detector de caja negra. En datos fuera de distribución, el nuevo modelo obtuvo 92.2, mientras que la caja negra cayó a 75.2.
• Explicación de Características: El nuevo método utiliza autoencoders escasos para convertir señales internas complejas en características legibles por humanos, mejorando la auditabilidad de las decisiones de IA.
• Disponibilidad Pública: El código y los modelos entrenados están disponibles en GitHub bajo el repositorio google-deepmind/detectorscope.

Nuevas Perspectivas sobre las Capacidades de Aprendizaje de los Agentes de IA

Una investigación reciente publicada en arXiv el 6 de octubre de 2026, introduce un método llamado Destilación de Meta-Experiencia en Retrospectiva (HMED), que mejora la capacidad de los agentes de IA para aprender de sus errores sin evaluación externa.

El estudio enfatiza la importancia de las Meta-Habilidades, que son estrategias que los agentes utilizan para refinar sus habilidades, respaldadas por una biblioteca de Habilidades-Tarea que contiene habilidades específicas para la finalización de tareas.

HMED permite a los agentes revertir a estados anteriores y reevaluar tanto las estrategias originales como las modificadas bajo las mismas condiciones, lo que conduce a una evaluación más precisa de su efectividad.

Aún las revisiones no exitosas contribuyen con valiosas perspectivas, creando registros de Meta-Experiencia que informan futuras actualizaciones y decisiones.

El equipo de investigación, compuesto por miembros de la Universidad China de Hong Kong, la Universidad Jiao Tong de Shanghái y el Instituto de Innovación de Shanghái, probó HMED en seis combinaciones de modelos y benchmarks, logrando un rendimiento superior en comparación con los métodos tradicionales de descubrimiento de habilidades.

Notablemente, el método demostró mejoras significativas en la eficiencia del aprendizaje, sugiriendo que los agentes son capaces de generalizar sus procesos de aprendizaje en lugar de depender de trucos específicos vinculados a tareas individuales.

Este avance posiciona a HMED como un paso significativo en el desarrollo continuo de agentes de IA, yendo más allá de la mera acumulación de habilidades para mejorar los procesos de toma de decisiones que rigen el desarrollo de habilidades.